| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 选题背景与研究意义 | 第10-11页 |
| 1.2 生物特征识别技术简介 | 第11-13页 |
| 1.2.1 生物特征识别 | 第11-12页 |
| 1.2.2 不同生物识别技术的比较 | 第12-13页 |
| 1.3 人脸识别的研究历史及其应用 | 第13-15页 |
| 1.3.1 人脸识别的研究历史 | 第13页 |
| 1.3.2 人脸识别的应用 | 第13-15页 |
| 1.4 人脸图像数据库 | 第15-16页 |
| 1.5 本文研究内容 | 第16-18页 |
| 第二章 人脸检测和识别技术的研究现状 | 第18-26页 |
| 2.1 人脸识别研究的主要内容 | 第18-19页 |
| 2.1.1 人脸检测 | 第18-19页 |
| 2.1.2 人脸表征 | 第19页 |
| 2.1.3 人脸识别 | 第19页 |
| 2.2 目前人脸检测常用方法 | 第19-21页 |
| 2.2.1 基于知识规则的方法 | 第20页 |
| 2.2.2 基于特征不变量的方法 | 第20-21页 |
| 2.2.3 基于模板匹配的方法 | 第21页 |
| 2.2.4 基于外观的方法 | 第21页 |
| 2.3 目前人脸识别的常用方法 | 第21-26页 |
| 2.3.1 基于几何特征的识别方法 | 第22-23页 |
| 2.3.2 基于代数特征的识别方法 | 第23-24页 |
| 2.3.3 基于连接机制的人脸识别方法 | 第24-25页 |
| 2.3.4 其他一些人脸识别方法 | 第25-26页 |
| 第三章 基于肤色分割的人脸粗检测 | 第26-36页 |
| 3.1 色彩空间模型 | 第26-29页 |
| 3.1.1 RGB色彩空间 | 第26-27页 |
| 3.1.2 YCrCb色彩空间 | 第27-28页 |
| 3.1.3 HSV颜色空间 | 第28-29页 |
| 3.2 肤色建模 | 第29-32页 |
| 3.3 人脸区域检测 | 第32-36页 |
| 第四章 基于Adaboost的人脸细检测 | 第36-42页 |
| 4.1 Harr特征 | 第36-37页 |
| 4.2 Adaboost算法简介 | 第37-38页 |
| 4.3 基于Adaboost算法的人脸检测 | 第38-42页 |
| 4.3.1 WindowsXP下训练人脸分类器 | 第38-41页 |
| 4.3.2 人脸检测系统的实现 | 第41-42页 |
| 第五章 基于Hu矩的人脸识别研究 | 第42-52页 |
| 5.1 图像的轮廓提取 | 第42-44页 |
| 5.2 不变矩 | 第44-48页 |
| 5.2.1 Hu矩 | 第44-45页 |
| 5.2.2 基于Hu矩的轮廓匹配的实验 | 第45-48页 |
| 5.3 基于Hu矩的人脸图像轮廓的匹配 | 第48-52页 |
| 第六章 基于PCA的人脸识别方法 | 第52-60页 |
| 6.1 特征脸Eigenfaces | 第52-55页 |
| 6.1.1 主成分分析法 | 第53-54页 |
| 6.1.2 人脸特征子空间 | 第54-55页 |
| 6.2 实验运行结果 | 第55-58页 |
| 6.3 实验结果对比 | 第58-60页 |
| 6.3.1 ORL人脸数据库的实验 | 第58页 |
| 6.3.2 AR人脸数据库上的实验 | 第58页 |
| 6.3.3 Yale人脸数据库上的实验 | 第58-60页 |
| 第七章 期货软件登录中应用人脸识别解决方案 | 第60-66页 |
| 7.1 系统开发环境 | 第60页 |
| 7.2 系统详细设计 | 第60-62页 |
| 7.2.1 人脸检测模块 | 第60-61页 |
| 7.2.2 人脸识别模块 | 第61-62页 |
| 7.3 人脸识别技术应用在期货软件登录中的解决方案 | 第62-66页 |
| 第八章 总结与展望 | 第66-68页 |
| 8.1 总结 | 第66页 |
| 8.2 展望 | 第66-68页 |
| 参考文献 | 第68-70页 |
| 攻读学位期间公开发表论文 | 第70-71页 |
| 致谢 | 第71-72页 |
| 研究生履历 | 第72页 |